数学建模 模糊综合评价法

学科评价模型（模糊综合评价法）

摘要：该模型研究的是某高校学科的评价的问题，基于所给的学科统计数据作出综合分析。基于此对未来学科的发展提供理论上的依据。

对于问题1、采用层次分析法，通过建立对比矩阵，得出影响评价值各因素的所占的权重。然后将各因素值进行标准化。在可共度的基础上求出所对应学科的评价值，最后确定学科的综合排名。（将问题1中的部分结果进行阐述）（或者是先对二级评价因素运用层次分析法得出其对应的各因素的权重（只选取一组代表性的即可），然后再次运用层次分析法或者是模糊层次分析法对每一学科进行计算，得出其权重系数）。通过利用matlab确定的各二级评价因素的比较矩阵的特征根分别为：、2、、、、、、1

对于问题2、基于问题一中已经获得的对学科的评价值，为了更加明了的展现各一级因素的作用，采用求解相关性系数的显著性，找出对学科评价有显著性作用的一级评价因素。同时鉴于从文献中已经有的获得的已经有的权重分配，对比通过模型求得的数值，来验证所建模型和求解过程是否合理。

对于问题3、主成份分析法，由于在此种情况下考虑的是科研型或者教学型的高校，因此在评价因素中势必会有很大的差别和区分。所以在求解评价值的时候不能够等同问题1中的方法和结果，需要重新建立模型，消除或者忽略某些因素的影响和作用（将问题三的部分结果进行阐述）。

一、问题重述

学科的水平、地位是评价高等学校层次的一个重要指标，而学科间水平的评价对于学科本身的发展有着极其重要的作用。而一个显著的方面就是在录取学生方面，通常情况下一个好的专业可以录取到相对起点较高的学生，而且它还可以使得各学科能更加深入的了解到本学科的地位和不足之处，可以更好的促进该学科的发展。学科的评价是为了恰当的学科竞争，而学科间的竞争是高等教育发展的动力，所以合理评价学科的竞争力有着极其重要的作用。鉴于学科评价的两种方法：因素分析法和内涵解析法。本模型基于某大学（科研与教学并重型高校）的13个学科在某一时期内的调查数据，包括各种建设成效数据和前期投入的数据。通过计算每一级、每一个评价因素所占的权重，确定某一学科在评价是各因素所占的比重，构建评价等级所对应的函数。通过数值分析得出学科的评价值。需要解决一下几个问题：

根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。

模型分析，给出建立模型的适用性、合理性分析。

假设数据来自于某科研型祸教学型高校，请给出相应的学科评价模型。

二、符号说明与基本假设

符号说明

符号说明

S——评价数（评价所依据的最终数值）

X——影响评价数值的一级因素所构成的矩阵

x——一级因素的平均值

x——一级因素

n表示每一学科所含的一级评价因素

m表示每一以及评价因素所包含的二级评价因素

Y——二级因素矩阵

y——二级因素平均值

y——二级因素的平均值

α——第三题中科研性因素的权重值

β

——第三题中教学性因素的权重值

X[i,j]——二级评价因素

δ二级评价因素的权重

X[i]一级评价因素

λ一级评价因素的权重

ω学科评价对二级评价因素的权重

i

R（m）表示第三题中的一级评价因素

基本假设：

1、所有数据均是对相同的时间段统计得到的

2、不考虑随外界环境或者时间改变而发生的同一条件影响力的变化

3、忽略社会需求等对评价因素的影响，单纯的考虑学科自身的实力。

4、在进行适用性验证时，学科等级因素不发生改变。

5、假设每个学科的二级因素权重值都相等。不存在二级权重值的差异

6、假设该大学为综合性大学，没有明显意义上的学科偏重

7、由于科研评价要易于教学评价，所以科研评价因素应该高于教学评价因素。

8.、假设各方面影响因素都是在鉴于对学科实力的基础上进行的，不存在随意性

9.不考虑已经获得的称号或者是荣誉，比如“985”、“211”等。

10．为了能够更好的促进专业的发展，应该适当增加有发展潜力的评价因素的权重值

11．问题三中为使模型简单，把包含“科研”二字的归为科研型因素，把所有不包含“科研”二字的归为教学型因素。不存在相互的交叉和包含现象

1

综合评价模型

所研究问题中涉及到的递阶层次结构图如下

⑴

其中的①为下图 ①中字符涵义为

b1国

务院学位委员会委员 b2国务院学位委员会学科评议组成员 b3长江学者特聘教授 b4国家杰出青年基金获得者 b5国家教学名师奖获得者 b5国家有突出贡献的中青年专家

b7国家“973”项目首席科学家 b8教育部新世纪（原跨世纪）优秀人才 ②图为

二级评价因素的权重以及一级评价因素值

的确定 近年来，层次

分析法在评价

类的问题解决

中扮演着十分

重要的角色。层次分析法为这类问题的决策和排序提供了一种新的、简洁而实用

的建模方法。它把复杂问题分解成组成因素，并按支配关系形成层次结构，然后用两两比较的方法确定决策方案的相对重要性。 在学科评价中，首先通过选取一组或者几组二级评价因素的数据，应用层次分析法确定某以及评价因素下二级评价因素所占的权重，并在假设条件下，各学科的二级评价因素所对应的权重保持相同。计算出各自的一级评价因素值。再次对每一学科利用层次分析法，确定一级评价因素所占的权重比例，根据各值，求出学科最终的评价值。 (1) 其中的i X 表示一级评价因素，i ω表示所对应的一级评价因素的权重。 采用0-9比例标度方法构建两两比较判断矩阵()ij n n a ? 解决特征根问题

max A ωλω= (2)

得到比较矩阵，其中对于学科建设的比较矩阵为

比较矩阵的建立依赖于九点标度法，能够比较准确的表达出评价因素之间的相互关系。

利用matlab 求解，然后对特征向量进行归一化变换，得到向量

8

1i i

i S X ω==∑1457114441113541111743M ??

????

????=????

??

??????

其所对应的特征值为 根据计算一致性指标公式

(3)

随机一致性指标的分布如下图所示：

通过以上公式求得1..0.09110.1C R =<,所以认为原比较矩阵一致性良好

同样方法对X2、X3、X4、X5、X6、X7、X8可求出相应的归一化条件下的特征向量，即获得相应的二级评价因素的权重值。 利用公式3、4进行相应的一致性检验。如一致性检验不能通过则修改比较矩阵。

2.由上述得到的二级评价因素权重值利用公式

由此式通过matlab 程序计算得到各一级评价值为

1145

4689

5123 322

1876 0 148

1234 405

1345

987 0.59020.24670.10720.0560??????????????

1

(,)m

i j X X i j δ==∑max ..1

n

C I n λ-=

-......

C I C R R I =

(4)

(5)

1070 792 450 35 360 0 362 370 2 460

鉴于不同的数据有着不同的取值以及范围，给共同处理带来了问题，所以在求解学科评价值的时候对一级评价因素值实行数据的标准化处理，以达到公度化数据的要求和目的

其中

所有数据标准化后如下表所示：

得到标准化以后的数据，利用公式

求得各学科的评价值。

在一定的时代背景下，对于一所综合性大学，由于教学的评价没有确定的标准（评价主观性比较强），所以在整个专业的评价中，科研所占的权重应该高于教学的权重，以增加模型的适用性。

通过下式计算每个学科最终的评价值：

(6)11,)n i i X X i n σ===?∑(7),(1,2,38)i i X X M i σ-==L (8)i i S X ω=?总8

1

()n S M i δ==∑(9)

再综合上述公式得到一个总公式

构建一级评价因素的比较矩阵

通过matlab 程序解得特征根max λ= ，特征向量为

将该向量进行标准化得出向量

n

i 11(,)((,))S m

n m

X i j X i j δδ=-=∑∑∑∑

总0.51550.18190.30690.3037 0.43520.38010.38640.1774??

??

????????????

??

????

??

?? 0.1919 0.0677 0.1142 0.1130 0.1620????????????????

(10)

进行一致性检验得出该向量一致性良好

经过计算最终获得了与十三门学科相对应的评价系数指标

此矩阵表达的意思是学科等级次序为：

a7>a1>a2>a8>a9>a5>a12>a13>a4>a10>a3>a11>a6 至此问题一获得了解决

问题二：

学科评价S ——对专业的评价分解为三个层次X={X1,X2,X3,X4,X5,X6,X7,X8},其中学科建设X1={A1,A2,A3,A4}， 获教学奖X2={B1,B2},

所获科研经费X3={C1,C2,C3,C4},

所获科研成果奖项X4={D1,D22,D3,D4},

队伍建设X5={E1,E2,E3,E4,E5,E6,E7,E8,E9,E10}, 科研成果X6{F1,F2,F3,F4,F5,F6,F7}, 人才培养X7{G1,G2,G3},

前期投入资金X8{H1}为评价指标。

对学科评价各因素值组成的矩阵的A ，进行相关系数显著性分析，得到矩阵B

0.94890.9431-0.5442-0.4986-0.1363-0.7144S= 1.25890.31120.1851-0.5243-0.5718-0.2563-0.4013????

??

????

????

????

??

??

????

????

????

????

????

一般认为两个变量的相关系数只有超过时才具有显著的线性关系。由上面的结果知道，与S 相关关系显著的只有X3和X5（相关系数为>）,所以X3和X5对学科评价的影响是显著的。所以通常情况下X3值和X5值高的学科，学科的整体评价结果也会比较高的。

此时将X3评价因素和X5评价因素的值单独拿出，经计算得到一个向量

由此向量对学科进行排名得出：

a7>a1>a2>a3>a5>a8>a9>a6>a4>a12>a10>a13>a11将此结果与问题一种的结果进行对比得知此结果与问题一种结果除少部分外大部分都相似或者相近。

1.0000 0.3105 0.5290 0.1653 0.6851 -0.0902 0.5703 0.0280 0.3105 1.0000 0.3009 0.0961 0.2922 0.1279 0.3513 0.1018 0.5290 0.3009 1.0000 -0.2024 B=

0.9562 0.7222 0.4463 0.7293 0.1653 0.0961 -0.2024 1.0000 -0.1186 -0.1806 0.4835 -0.1728 0.6851 0.2922 0.9562 -0.1186 1.0000 0.5839 0.5920 0.5974 -0.0902 0.1279 0.7222 -0.1806 0.5839 1.0000 0.2437 0.8222 0.5703 0.3513 0.4463 0.4835 0.5920 0.2437 1.0000 0.3497 0.0280 0.1018 0.7293 -0.1728 0.5974 0.8222 0.3497 1.0000????????

??????

????

?

?????

?

?0.46240.2897-0.0259-0.1800-0.0271-0.1269 0.6014-0.0638-0.0999-0.2011-0.2251-0.1998-0.2038????

??

??????

??

??????????

??

??????

??

????????

依据问题一的结果，对照上述图片，一级指标的对应比较吻合，所以问题一所建立的模型是合理和适用的。 问题三：

以上讨论的前提是所求学科的所属学校是综合性的。接下来我们将讨论若学校是单方面的，比如教学型的或者科研型的。当学校类型是单方面的时候，我们应该适当提升其在所属类型领域的权重，而减少另一相对领域所占的权重。 考虑到其自身的特点，考虑使用两种模型进行计算，并能够进行自检验。 受上述建模过程的启发，采用基本的层次分析法，利用公式

其中M 表示评价因素中与科研有关的因素，而N 代表评价因素中与教学有关的因素。暂时设定此时所研究的学校应该是研究型大学。那么此时αβ>>。同问题一相同的思路和方法。但是此时有一点不同的是评价过程已经不是由两级评价因素决定的，所以其过程相对来说也会更加困难。

⑵ 对于二级以下的等同于结构图⑴中所示。

由此图可以显著的看出二者的区别，对于特定类型的学校，评定过程变为三级。相比于综合型大学多了学校侧重方向的一级。所以计算过程也有不同。如下： 首先等同于问题一，确定三级评价因素的权重，其结果与一相同。从二级评价因素即有不同。

相同的方法，先针对科研型。构造比较矩阵如下： S M N αβ=+（11）

得出特征值为，特征向量为

将此向量归一化为

由此得科研型因素的值为

同理针对教学型。构造比较矩阵如下（为了起到相互对比的目的，对比矩阵仿造

得出特征值为，特征向量为 ，

将此向量归一化得 0.5575 0.70240.4425??????????

0.32750.41260.2599????

??

????

0.45800.29430.64730.36980.3846??

????????

????

????0.21260.13660.30050.17170.1785??

????????????????

1.28850.6777-0.8724-0.13490.0532-0.80070.43610.09730.5027-0.5016-0.1905-0.4469-0.1084????

????

??

??????

??

????

??

????

??

????????????

由此可得

同上述处理方法

得出特征值为2,特征向量为 归一化后为

由此可得十三门学科最后的评价成绩，如

则由此向量可以对学科之间进行排序，排序结果如下： a1>a2>a7>a9>a8>a5>a13>a4>a11>a12>a10>a6>a3

假如此时由科研型来作为判断依据的结果是即依据科研因素的值，排序结果为：

0.79691.1519-0.3978-0.6593-0.1555-0.67201.54580.3545-0.0487-0.5703-0.7708-0.1297-0.4451??????

??

??????

??

?????

?????

??

??????

??

??????0.98060.1961??

??

??0.83330.1667??

??

?? 1.20660.7567-0.7933-0.22230.0184-0.77920.62110.14020.4108-0.5131-0.2872-0.3940-0.1645??????????????????????

??

??????

??

??????

????

A1>a2>a9>a7>a8>a5>a13>a4>a11>a12>a10>a6>a3

只在一个区域出现了小偏差，其他区域对应性很好。

到此时，三问题获得了解决。

四、模型评价与推广

模型的优点

1.本模型是用范围广，运用简单的层次分析法解决了对学科评价的问题。结果能够较好的反应实际情况。

2.本模型采用逐层分析的方法，将大量的数据进行合并性处理，节省了大量的工作时间。

3．运用简单的数学知识加之一些容易实现的程序，较好的完成了题目。直观易懂，说服力更强

模型的缺点

1．进行了大量的假设，使适用范围变窄。尤其是忽略在学科评价方面的主观因素。使得到的结果并不一定会与实际非常符合

2．由于在模型建立时忽略了一些次要因素，比如针对某一种类型的学校对其学科进行评价时，忽略了作用不是很明显的因素，可能导致评价发生偏差。

3．对数据处理的误差也可能导致结果的一些偏差

模型的推广

虽然该模型存在着一些缺点，但是其推广空间也是很显然的。独特的分层次、分步骤数据处理，也是面对大量数据时的首要选择方法和思路。结合软件的应用，将大大减少工作量。由很多方面可以看出，在日益重要的高校学科评价工作中，这种类似的方法将获得大范围的应用。将为类似的工作带来极大的方便。

参考文献

[1]姜启源.数学模型

[2]罗万成.大学生数学建模案例精选

[3]廖益.大学学科专业评价研究

[4]中国校友会网大学评价课题组.2009中国大学评价研究报告

[5]中国校友会网大学评价课题组.2010中国大学评价研究报告

[6]邱均平，罗力，周春雷，丁敬达等.中国大学评价的改进与完善———2009年中国大学及学科专业评价的做法与结果分析

[7]浙江大学大学评价研究课题组，大学评价和学科评价：指标体系设计探讨

[8]张彦通，李茂国，张志英关于我国高等教育专业评估工作的若干思考

[9]张晓丹，邱均平高校竞争力与大学专业评价研究

[10] 我国高等教育专业评估体制研究

[11]刘成明，面向复杂系统决策的层次分析权重处理方法及其应用研究，2006年年第17-19页

附录：。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

1.将数据标准化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。A=[ 1145 4689; 5123;

322 1876; 0 148 1234; 405 1345; 987; 1070;

792; 450; 35

360; 0 362; 370;

2 460] 1

[Z,MU,SIGMA] = zscore(A)

std(Z)。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

2.求解权重系数，解比较矩阵。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。A=[1 4 5 7;1/4 1 4 4;1/5 1/4 1 3;1/7 1/4 1/3 1]

[x, y] = eig(A);

eigenvalue = diag(y);

lamda = eigenvalue(1)

y_lamda = x(:, 1)。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

3.求解以及评价因素的值。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。A=[2 2 2 2;1 2 12 20;2 2 4 6;2 2 2 1;1 3 10 13;0 1

5 7;2 4 2 2 3 3;1 3 12 15;0 1 15 27;1 3

6 9;0 1 11

13;1 3 9 12;0 1 5 9]

B=[ ]

A*B’。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

4.相关系数显著性分析。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。A=[

] corrcoef(A)

模糊综合评判法的应用案例

第三节 模糊综合评判法的应用案例 二、在物流中心选址中的应用 物流中心作为商品周转、分拣、保管、在库管理和流通加工的据点，其促进商品能够按照顾客的要求完成附加价值，克服在其运动过程中所发生的时间和空间障碍。在物流系统中，物流中心的选址是物流系统优化中一个具有战略意义的问题，非常重要。 基于物流中心位置的重要作用，目前已建立了一系列选址模型与算法。这些模型及算法相当复杂。其主要困难在于： （1） 即使简单的问题也需要大量的约束条件和变量。 （2） 约束条件和变量多使问题的难度呈指数增长。 模糊综合评价方法是一种适合于物流中心选址的建模方法。它是一种定性与定量相结合的方法，有良好的理论基础。特别是多层次模糊综合评判方法，其通过研究各因素之间的关系，可以得到合理的物流中心位置。 1．模型 ⑴ 单级评判模型 ① 将因素集U 按属性的类型划分为k 个子集，或者说影响U 的k 个指标，记为 12(,,,)k U U U U = 且应满足： 1 , k i i j i U U U U φ=== ② 权重A 的确定方法很多，在实际运用中常用的方法有：Delphi 法、专家调查法和层次分析法。 ③ 通过专家打分或实测数据，对数据进行适当的处理，求得归一化指标关于等级的隶属度，从而得到单因素评判矩阵。 ④ 单级综合评判B A R =

⑵多层次综合评判模型 一般来说，在考虑的因素较多时会带来两个问题：一方面，权重分配很难确定；另一方面，即使确定了权重分配，由于要满足归一性，每一因素分得的权重必然很小。无论采用哪种算子，经过模糊运算后都会“淹没”许多信息，有时甚至得不出任何结果。所以，需采用分层的办法来解决问题。 2．应用 运用现代物流学原理，在物流规划过程中，物流中心选址要考虑许多因素。根据因素特点划分层次模块，各因素又可由下一级因素构成，因素集分为三级，三级模糊评判的数学模型见表3-7. 表3-7 物流中心选址的三级模型

数学建模综合评价方法

所谓指标就就是用来评价系统的参量.例如,在校学生规模、教学质量、师资结构、科研水平等,就可以作为评价高等院校综合水平的主要指标.一般说来,任何—个指标都反映与刻画事物的—个侧面. 从指标值的特征瞧,指标可以分为定性指标与定量指标.定性指标就是用定性的语言作为指标描述值,定量指标就是用具体数据作为指标值.例如,旅游景区质量等级有5A 、4A 、3A 、2A 与1A 之分,则旅游景区质量等级就是定性指标;而景区年旅客接待量、门票收入等就就是定量指标. 从指标值的变化对评价目的的影响来瞧,可以将指标分为以下四类: (1)极大型指标(又称为效益型指标)就是指标值越大越好的指标; (2)极小型指标(又称为成本型指标)就是指标值越小越好的指标; (3)居中型指标就是指标值既不就是越大越好,也不就是越小越好,而就是适中为最好的指标; (4) 区间型指标就是指标值取在某个区间内为最好的指标. 例如,在评价企业的经济效益时,利润作为指标,其值越大,经济效益就越好,这就就是效益型指标;而管理费用作为指标,其值越小,经济效益就越好,所以管理费用就是成本型指标.再如建筑工程招标中,投标报价既不能太高又不能太低,其值的变化范围一般就是 (10%,5%)-+× 标的价,超过此范围的都将被淘汰,因此投标报价为区间型指标.投标工期既不能太长又不能太短,就就是居中型指标. 在实际中,不论按什么方式对指标进行分类,不同类型的指标可以通过相应的数学方法进行相互转换 8、2、4 评价指标的预处理方法 一般情况下,在综合评价指标中,各指标值可能属于不同类型、不同单位或不同数量级,从而使得各指标之间存在着不可公度性,给综合评价带来了诸多不便.为了尽可能地反映实际情况,消除由于各项指标间的这些差别带来的影响,避免出现不合理的评价结果,就需要对评价指标进行一定的预处理,包括对指标的一致化处理与无量纲化处理. 1.指标的一致化处理 所谓一致化处理就就是将评价指标的类型进行统一.一般来说,在评价指标体系中,可能会同时存在极大型指标、极小型指标、居中型指标与区间型指标,它们都具有不同的特点.如产量、利润、成绩等极大型指标就是希望取值越大越好;而成本、费用、缺陷等极小型指标则就是希望取值越小越好;对于室内温度、空气湿度等居中型指标就是既不期望取值太大,也不期望取值太小,而就是居中为好.若指标体系中存在不同类型的指标,必须在综合评价之前将评价指标的类型做一致化处理.例如,将各类指标都转化为极大型指标,或极小型指标.一般的做法就是将非极大型指标转化为极大型指标.但就是,在不同的指标权重确定方法与评价模型中,指标一致化处理也有差异. (1) 极小型指标化为极大型指标 对极小型指标j x ,将其转化为极大型指标时,只需对指标j x 取倒数: 1j j x x '= , 或做平移变换: j j j x M x '=-,

数学建模常见评价模型简介

常见评价模型简介 评价类数学模型是全国数学建模竞赛中经常出现的一类模型，如2005年全国赛A题长江水质的评价问题，2008年B题高校学费标准评价体系问题等。主要介绍三种比较常用的评价模型：层次分析模型，模糊综合评价模型，灰色关联分析模型，以期帮助大家了解不同背景下不同评价方法的应用。 层次分析模型 层次分析法(AHP)是根据问题的性质和要求，将所包含的因素进行分类，一般按目标层、准则层和子准则层排列，构成一个层次结构，对同层次内诸因素采用两两比较的方法确定出相对于上一层目标的权重，这样层层分析下去，直到最后一层，给出所有因素相对于总目标而言，按重要性程度的一个排序。其主要特征是，它合理地将定性与定量决策结合起来，按照思维、心理的规律把决策过程层次化、数量化。 运用层次分析法进行决策，可以分为以下四个步骤： 步骤1 建立层次分析结构模型 深入分析实际问题，将有关因素自上而下分层(目标—准则或指标—方案或对象)，上层受下层影响，而层内各因素基本上相对独立。 步骤2构造成对比较阵 对于同一层次的各元素关于上一层次中某一准则的重要性进行两两比较，借助1~9尺度，构造比较矩阵； 步骤3计算权向量并作一致性检验 由判断矩阵计算被比较元素对于该准则的相对权重，并进行一致性检验，若通过，则最大特征根对应的特征向量做为权向量。

步骤4计算组合权向量(作组合一致性检验) 组合权向量可作为决策的定量依据 通过一个具体的例子介绍层次分析模型的应用。 例(选择旅游地决策问题)如何在桂林、黄山、北戴河3个目的地中按照景色、费用、居住条件、饮食、旅途条件等因素进行选择。 步骤1 建立系统的递阶层次结构 将决策问题分为3个层次：目标层O，准则层C，方案层P；每层有若干元素，各层元素间的关系用相连的直线表示。

模糊综合评价法的数学建模方法简介

８ 《商场现代化》２００６年７月（中旬刊）总第４７３期 ２０世纪８０年代初，汪培庄提出了对绿色供应链绩效进行评价的模糊综合评价模型，此模型以它简单实用的特点迅速波及到国民经济和工农业生产的方方面面，广大实际工作者运用此模型取得了一个又一个的成果。本文简单介绍模糊综合评价法的数学模型方法。 一、构造评价指标体系 模糊综合评价的第一步就是根据具体情况建立评价指标体系的层次结构图，如图所示： 二、确定评价指标体系的权重 确定各指标的权重是模糊综合评价法的步骤之一。本文根据绿色供应链评价体系的层次结构特点，采用层次分析法确定其权重。尽管层次分析法中也选用了专家调查法，具有一定的主观性，但是由于本文在使用该方法的过程中，对多位专家的调查进行了数学处理，并对处理后的结果进行了一致性检验，笔者认为，运用层次分析法能够从很大程度上消除主观因素带来的影响，使权重的确定更加具有客观性，也更加符合实际情况。 在此设各级指标的权重都用百分数表示，且第一级指标各指标的权重为Ｗｉ，ｉ＝１，２，…，ｎ，ｎ为一级指标个数。一级指标权重向量为： Ｗ＝（Ｗ１，…，Ｗｉ，…Ｗｎ） 各一级指标所包含的二级指标权重向量为： Ｗ＝（Ｗｉ１，…，Ｗｉｓ，…Ｗｉｍ），ｍ为各一级指标所包含的二级指标个数，ｓ＝１，２，…，ｍ。 各二级指标所包含的三级指标权重向量为： Ｗｉｓ＝（Ｗｉｓ１，…Ｗｉｓ２，…Ｗｉｍｑ），ｑ为各二级指标所包含的三级指标个数。三、确定评价指标体系的权重建立模糊综合评价因素集将因素集Ｘ作一种划分，即把Ｘ分为ｎ个因素子集Ｘ１，Ｘ２，…Ｘｎ，并且必须满足： 同时，对于任意的ｉ≠ｊ，ｉ，ｊ＝１，２，…，均有 即对因素Ｘ的划分既要把因素集的诸评价指标分完，而任一个评 价指标又应只在一个子因素集Ｘｉ中。 再以Ｘｉ表示的第ｉ个子因素指标集又有ｋｉ个评价指标即：Ｘｉ＝｛Ｘｉ１，Ｘｉ２，…，ＸｉＫｉ｝，ｉ＝１，２，…，ｎ 这样，由于每个Ｘｉ含有Ｋｉ个评价指标，于是总因素指标集Ｘ其有 个评价指标。 四、　进行单因素评价，建立模糊关系矩阵Ｒ 在上一步构造了模糊子集后，需要对评价目标从每个因素集Ｘｉ上进行量化，即确定从单因素来看评价目标对各模糊子集的隶属度，进而得到模糊关系矩阵： 其中ｓｉ（ｉ＝１，２，…，ｍ）表示第ｉ个方案，而矩阵Ｒ中第ｈ行第ｊ列元素ｒｈｊ表示指标Ｘｉｈ在方案ｓｊ下的隶属度。对于隶属度的确定可分为两种 情况：定量指标和定性指标。 （１）定量指标隶属度的确定 对于成本型评价因素可以用下式计算： 对于效益型评价因素可以用下式计算：对于区间型评价因素可以用下式计算：上面三个式子中：ｆ（ｘ）为特征值，ｓｕｐ（ｆ），ｉｎｆ（ｆ）分别为对应于同一个指标的所有特征值的上下界，即是同一指标特征值的最大值和最小 模糊综合评价法的数学建模方法简介 任丽华　东营职业学院 ［摘　要］　本文一种数学模型方法构造了一种对绿色供应链绩效进行评价的模糊综合评价法，主要从构造评价指标体系，确定评价指标体系的权重，确定评价指标体系的权重，建立模糊综合评价因素集，进行单因素评价、建立模糊关系矩阵Ｒ，计算模糊评价结果向量Ｂ等五个方面介绍这种评价方法。 ［关键词］　绿色供应链绩效评价　模糊综合评价法　数学模型方法 流通论坛

数学建模模糊综合评价法

学科评价模型（模糊综合评价法） 摘要：该模型研究的是某高校学科的评价的问题，基于所给的学科统计数据作出综合分析。基于此对未来学科的发展提供理论上的依据。 对于问题1、采用层次分析法，通过建立对比矩阵，得出影响评价值各因素的所占的权重。然后将各因素值进行标准化。在可共度的基础上求出所对应学科的评价值，最后确定学科的综合排名。（将问题1中的部分结果进行阐述） （或者是先对二级评价因素运用层次分析法得出其对应的各因素的权重（只选取一组代表性的即可），然后再次运用层次分析法或者是模糊层次分析法对每一学科进行计算，得出其权重系数）。通过利用matlab确定的各二级评价因素的比较矩阵的特征根分别为：4.2433、2、4.1407、3.0858、10.7434、7.3738、3.0246、1 对于问题2、基于问题一中已经获得的对学科的评价值，为了更加明了的展现各一级因素的作用，采用求解相关性系数的显著性，找出对学科评价有显著性作用的一级评价因素。同时鉴于从文献中已经有的获得的已经有的权重分配，对比通过模型求得的数值，来验证所建模型和求解过程是否合理。 对于问题3、主成份分析法，由于在此种情况下考虑的是科研型或者教学型的高校，因此在评价因素中势必会有很大的差别和区分。所以在求解评价值的时候不能够等同问题1中的方法和结果，需要重新建立模型，消除或者忽略某些因素的影响和作用（将问题三的部分结果进行阐述）。 一、问题重述

学科的水平、地位是评价高等学校层次的一个重要指标，而学科间水平的评价对于学科本身的发展有着极其重要的作用。而一个显著的方面就是在录取学生方面，通常情况下一个好的专业可以录取到相对起点较高的学生，而且它还可以使得各学科能更加深入的了解到本学科的地位和不足之处，可以更好的促进该学科的发展。学科的评价是为了恰当的学科竞争，而学科间的竞争是高等教育发展的动力，所以合理评价学科的竞争力有着极其重要的作用。鉴于学科评价的两种方法：因素分析法和内涵解析法。本模型基于某大学（科研与教学并重型高校）的13个学科在某一时期内的调查数据，包括各种建设成效数据和前期投入的数据。 通过计算每一级、每一个评价因素所占的权重，确定某一学科在评价是各因素所占的比重，构建评价等级所对应的函数。通过数值分析得出学科的评价值。需要解决一下几个问题： 1、根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。 2、模型分析，给出建立模型的适用性、合理性分析。 3、假设数据来自于某科研型祸教学型高校，请给出相应的学科评价模 型。 二、符号说明与基本假设 2.1符号说明 符号说明 S——评价数（评价所依据的最终数值） X——影响评价数值的一级因素所构成的矩阵

(完整版)基于层次分析法的模糊综合评价模型

2016江西财经大学数学建模竞赛 A题 城市交通模型分析 参赛队员: 黄汉秦、乐晨阳、金霞 参赛队编号：2016018 2016年5月20日~5月25日

承诺书 我们仔细阅读了江西财经大学数学建模竞赛的竞赛章程。 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从A/B/C中选择一项填写）： A 我们的参赛队编号为2016018 参赛队员(打印并签名) ： 队员1. 姓名专业班级计算机141 队员2. 姓名专业班级计算机141 队员3. 姓名专业班级计算机141 日期： 2016 年 5 月 25 日

编号和阅卷专用页 江西财经大学数学建模竞赛组委会 2016年5月15日制定

城市交通模型分析 摘要 随着国民经济的高速发展和城市化进程的加快，我国机动车保有量及道路交通流量急剧增加，交通出行结构发生了根本变化，城市道路交通拥挤堵塞问题已成为制约经济发展、降低人民生活质量、削弱经济活力的瓶颈之一。本篇论文针对道路拥挤的问题采用层次分析法进行数学建模分析，讨论拥堵的深层次问题及解决方案。 首先建立绩效评价指标的层次结构模型，确定了目标层，准则层（一级指标），子准则层（二级指标）。 其次，建立评价集V=(优，良，中，差)。对于目标层下每个一级评价指标下相对于第m 个评价等级的隶属程度由专家的百分数u 评判给出，即U ＝[0,100]应用模糊统计建立它们的隶属函数A(u)， B(u)， C(u) ，D(u)，最后得出目标层的评价矩阵Ri ，（i=1,2,3,4,5）。利用A,B 两城相互比较法，根据实际数据建立二级指标对于相应一级指标的模糊判断矩阵P i （i=1,2,3,4,5） 然后，我们经过N 次试验调查，明确了各层元素相对于上层指标的重要性排序，构造模糊判断矩阵P ，利用公式 1 ,ij ij n kj k u u u == ∑ 1 ,n i ij j w u ==∑ 1 ,i i n j j w w w == ∑ []R W R W R W R W R W W R W O 5 5 4 4 3 3 2 2 1 1 ,,,,==计算出权重值，经过一致性检验公式 RI CI CR = 检验后，均有0.1CR <，由此得出各层次的权向量()12,,T n W W W W =K 。然后后， 给出建立绩效评价模型（其中O 是评价结果向量），应用模糊数学中最大隶属度原则，对被评价城市交通的绩效进行分级评价。 接着在改进方案中，我们具体以交叉口为中心建立模型，其中包括道路长度、宽度、车辆平均长度、车速等等考虑因素。通过车辆排队长度可以间接判断交通拥堵情况，不需要测量车速、时间等因素而浪费的人力物力和财力，有效的提高了工作成本和效率。为管理城市交通要道提供了良好的模型和依据。 【关键字】交通拥堵 层次分析法 模糊综合评判 绩效评价 隶属度

教师评价模型_数学建模教学提纲

教师评价模型_数学建 模

教师评价模型 一、摘要 学校是一个充满着评价人的场所，每时每刻都在对各个人进行评价。毫不 夸张地说评价教师是学校里每个人的“日常功课”。 由于教师职业劳动的特殊性，它是复杂劳动。不能仅仅用工作量来评价 教师的劳动，同时评价教师的人员纷繁复杂，方式多种多样。评价教师的标准 往往束缚着学校的教学质量，教师教学的积极性。所以教师评价的确定就显的 很重要。 新课程强调：评价的功能应从注重甄别与选拔转向激励、反馈与调整；评 价内容应从过分注重学业成绩转向注重多方面发展的潜能；评价主体应从单一 转向多元。 那么如何公正、客观地评价教师的同时，有效地保护教师的教学积极性和 帮助提高学校的办学水平呢？ 此模型的建立改变了以往同类模型的多种弊端，从另一角度更加合理地分析、评价，就是为了更公平，公正地对教师做出合理的评价，从而促进学生发 展和教师提高。 本模型主要用了模糊数学模型和对各项评价付权重的方法进行建模分析。 从（1）教师对自己的评价，（2）学生对教师的评价；（3）由专家组对教师的评价的角度出发，通过量化，加权，得出结果。然后确定三方面的比重来评价 教师。同时通过确定教师自评与他人评价的比值范围，而确定这次评价是否有效。 在各个方面采用的数学模型如下：

1、教师对自己的评价： 教师对自己的满意度，既体现教师的主人翁意识也保护教师的教学积 极性。 16 1160i i i P Q D ( i ∈[1,16]) (Q 表示教师自评的得分 Pi 表示教师对自己各项符合度而打的分数 Di 表示对教师自评要求各项所加给的权重 ) 2、学生对教师的评价： 表明以学生为主体，体现了模型的客观性，公平、公开的原则。 90j i ij i d c a ij a =ij n u ij a =A （U ，V ） （ U 为评价的主要因素， V 为评价因素分等。 C i 为学生对教师的各项评价要求所付的权重 N 为填写有效调查表的人数） 3、由专家组成通过听课对教师的评价： 表明专家对教师指导性，帮助教师提高教学水平。体现了评价的权威 性，真实性。同时也是作为教师提拔的一个方面。 （1）建立综合评价矩阵51ij ij ik k c g c （2）综合评价 B=A ⊕R=（b 1,b 2,……，b m ）

数学建模综合评价方法(定)

所谓指标就是用来评价系统的参量?例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标?一般说来，任一个指标都 反映和刻画事物的一个侧面. 从指标值的特征看，指标可以分为定性指标和定量指标.定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值?例如，旅游景区质量等级有5A、4A、3A、2A和1A之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标. 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4)区间型指标是指标值取在某个区间为最好的指标. 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标.再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化围一般是(10%, 5%) X标的价，超过此围的都将被淘汰，因此投标报价为区间型指标.投标工期既不能太长又不能太短，就是居中型指标. 在实际中，不论按什么式对指标进行分类，不同类型的指标可以通过相应的数学法进行相互转换8.2.4评价指标的预处理法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便.为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包 括对指标的一致化处理和无量纲化处理. 1.指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一.一般来说，在评价指标体系中，可能会同时存在 极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点.如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室温 度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好.若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理.例如，将各类指标都转化为极大型指标，或极小型指标.一般的做法是将非极大型指标转化为极大型指标.但是，在不同的指标权重确定法和评价模型中，指标一致化处理也有差异. (1)极小型指标化为极大型指标 对极小型指标X j，将其转化为极大型指标时，只需对指标X j取倒数：

数学建模各种分析报告方法

现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。 和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,

数学建模论文《学科评价模型》

答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 论文题目：学科评价模型(A) 组别：本科生 参赛队员信息(必填)： 姓名专业班级及学号联系电话参赛队员1 08生物技术一班0886 参赛队员2 08生物技术一班1680 参赛队员3 08生物技术一班0698

答卷编号（参赛学校填写）： 答卷编号（竞赛组委会填写）： 评阅情况（学校评阅专家填写）：学校评阅1. 学校评阅2. 学校评阅3. 评阅情况（省赛评阅专家填写）：省赛评阅1. 省赛评阅2. 省赛评阅3.

学科评价模型 摘要本学科评价模型采用了指标体系法，其所具有的客观公正性使之成为目前大学学科评价的主流方法。学科评价一方面取决于指标体系本身设计是否科学，另一方面则取决于原始数据和指标的可比性。由于本题目并没有给出具体的哪13个学科，而不同学科之间在某些方面存在着不同程度上的差异性。所以，我们采用层次分析法分配权重以及灰色多层次分析法处理数据，从而使评价结果更加客观公正。学科评价应分类别、分层次进行，不同的类别和层次适用于不同的情形。比如科研教学并重型高校的学科评价模型与科研型或者教学型高校的学科评价模型会有所区别。同时，在学科评价体系中，指标分级是必要的，我们将题目所给的指标分为三级。通过模型的建立及求解，我们得出了各学科各指标的评价结果，以及各学科的综合实力评价结果，并对结果进行横向分析和纵向分析，为大学学科评估及资源优化提供了较为合理的依据。 关键词层次分析法，权重, 灰色多层次分析法，关联度

一 问题的重述 学科的水平、地位是高等学校的一个重要指标，而学科间水平的评价对于学科的发展有着重要的作用，它可以使得各学科能更加深入的了解本学科(与其他学科相比较)的地位及不足之处，可以更好的促进该学科的发展。因此，如何给出合理的学科评价体系或模型一直是学科发展研究的热点问题。现有某大学（科研与教学并重型高校）的13个学科在一段时期内的调查数据，包括各种建设成效数据和前期投入的数据。 1、根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。 2、模型分析，给出建立模型的适用性、合理性分析。 3、假设数据来自于某科研型或教学型高校，请给出相应的学科评价模型。 二 合理的假设 1、假设各学科所属领域以及学科特点的差异不对本评估体系产生影响 2、假设某些权威杂志对特定的学科没有偏重 3、假设国家和社会对各学科没有任何偏重 4、假设各学科培养出的人才素质没有差异 5、假设专家对学科各指标相对重要性的评判合理、客观、全面。 三 符号的说明 ijk C ：各级指标 ik C :(i=1,2,3····n;k=1,2,····m)第i 个参评学科中第k 个指标的原始数据 *k C :最优指标集 S ：综合分析评价值 A ：目标向量 ij D ：表示i D 对j D 的相对重要性数值 ij P ：判断矩阵)3,2,1,m 3,2,1(n j i ：特征向量 max ：最大特征值 CR ：判断矩阵的随机一致性比率 CI ：判断矩阵的一般一致性指标 RI ：平均随机一致性指标 i W ：各个分向量的权重系数 *W :第三指标权重分配矩阵

数学建模_四大模型总结

四类基本模型 1 优化模型 1.1 数学规划模型 线性规划、整数线性规划、非线性规划、多目标规划、动态规划。 1.2 微分方程组模型 阻滞增长模型、SARS 传播模型。 1.3 图论与网络优化问题 最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。 1.4 概率模型 决策模型、随机存储模型、随机人口模型、报童问题、Markov 链模型。 1.5 组合优化经典问题 ● 多维背包问题(MKP) 背包问题：n 个物品，对物品i ，体积为i w ，背包容量为W 。如何将尽可能多的物品装入背包。 多维背包问题：n 个物品，对物品i ，价值为i p ，体积为i w ，背包容量为W 。如何选取物品装入背包，是背包中物品的总价值最大。 多维背包问题在实际中的应用有：资源分配、货物装载和存储分配等问题。该问题属于NP 难问题。 ● 二维指派问题(QAP) 工作指派问题：n 个工作可以由n 个工人分别完成。工人i 完成工作j 的时间为ij d 。如何安排使总工作时间最小。 二维指派问题（常以机器布局问题为例）：n 台机器要布置在n 个地方，机器i 与k 之间的物流量为ik f ，位置j 与l 之间的距离为jl d ，如何布置使费用最小。 二维指派问题在实际中的应用有：校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。 ● 旅行商问题(TSP) 旅行商问题：有n 个城市，城市i 与j 之间的距离为ij d ，找一条经过n 个城市的巡回（每个城市经过且只经过一次，最后回到出发点），使得总路程最小。 ● 车辆路径问题(VRP) 车辆路径问题（也称车辆计划）：已知n 个客户的位置坐标和货物需求，在

模糊数学综合评价模型

三种电视机模糊综合评价模型 摘要 本文通过顾客对三种电视机的图像，价格，音质三种评价因素建立的模糊综合评价的模型，此模型首先设定了评价指标因素集U 和评语集V ,从而建立了评价矩阵R , 然后根据评价指标权重集A 最后分别运用了四个算子，进而采用了加权平均原则的方法建立了如下四个模型，最终得出 模型一：运用① 算子和加权平均原则方法对三种电视机建立模糊综合评价模型，得出11 2.73B =，12 2.62B =，13 2.46B =，即第一种电视机最受顾客青睐 模型二：运用② 和加权平均原则方法对三种电视机建立模糊综合评价模型，得出21 2.72B =，22 2.75B =，23 2.51B =，即第二种电视机最受顾客青睐 模型三：运用③ 算子和加权平均原则方法对三种电视机建立模糊综合评价模型，得出31 2.71B =，32 2.58B =，3 3 2.32B =，即第一种电视机最受顾客青睐 模型四：运用④ 算子和最大隶属原则方法对三种电视机建立模糊 综合评价模型，得出41 2.75B =，4 2 2.71B =，43 2.39B =，即顾客对第二种电视机做出综合评价较好。 综合四个模型这三种电视机的综合评价在较好和可以之间并且在这三种电视机中第一种电视机最受顾客青睐，第二种次之，第三种最不受欢迎。 关键词：综合评价 模糊数学 加权平均原则 算子 ),(∨∧M (,)M ?∨算子),(⊕∧M ),(⊕?M

一、问题重述 在对电视机质量的评价中，其涉及的因素很多，一般说来基本要考虑图像，声音，价格等等，而每一类因素的质量水平受许多因素的影响。这些评价因素往往具有模糊性。评价的结果本身也带有模糊性。如何合理地评价电视机的质量呢？ 假设对电视机的评价因素U={图像u1，声音u2，价格u3}，评语集合V={很好v1，较好v2，可以v3，不好v4}，现请专家10人对三种电视机进行评价，结果如下： 设某类顾客主要关心图像、价格，对音质不太关心，即 试对以上三种电视机进行模糊综合评价。 二、问题分析 根据对题目的理解，我们知道问题的求解是根据10位专家对三种电视机的图像，价格，音质的评价结果，而要求我们对这三种电视机进行模糊综合评价，所以我采用四种算子方法。 即① 算子 评语 因素 (1)第一类电视机 (2)第二类电视机 (3)第三类电视机 v1 v2 v3 v4 v1 v2 v3 v4 v1 v2 v3 v4 u1 5 4 1 0 4 3 2 1 1 5 2 2 u2 4 3 2 1 5 1 2 2 4 3 1 2 u3 0 1 3 6 2 1 3 4 2 4 4 (0.5,0.2,0.3) A =(){}n k r r s jk j m j jk j m j k ,,2,1, ,min max )(11 =∧=≤≤=∨μμ＝),(∨∧M

模糊综合评价模型

（一）问题重述 连锁店选址： 今有8个候选作为连锁店选址，其因素集由表一决定，各隶属度由表二给出。请给出排序。表一

表二模糊综合评价矩阵 此题是一个连锁店选址问题，根据表一里给的那些因素集给它选择一个比较合适的开店地址。我们可以把题目分成三个小题： 第一，求出三级指标供水、供电、供气等对二级指标的三供、废物处理等的影响程度。 第二，求出二级指标对一级指标的影响程度。 第三，求出一级指标对连锁店选址的影响程度，然后根据算出的影响程度对选址做出合适的选择。 （二）问题分析 此题比较特殊，这个连锁店选址已经通过因素集表一和隶属度

表二给了我们做题的方法。就是通过两个表数据用模糊综合评价法去做题；在这里我们是用的模糊评价法里的算子),(⊕?M 和excel 软件进行数据的处理和求解。 模糊评价法的几种算子： ),(.1∨∧M {}n k r a r a b jk j m j jk j m j k ,,2,1,),min(max )(11 ==∧∨=≤≤= ),(.2∨?M {}n k r a r a b jk j m j jk j m j k ,,2,1,max )(11 =?=?∨=≤≤= ),(.3⊕∧M n k r a b m j jk j k ,,2,1,),min(,1min 1 =??? ???=∑= ),(.4⊕?M n k r a b m j jk j k ,,2,1,,1min 1 =??? ????=∑= 以及这几种算子的优缺点： 由表知道算子),(⊕?M 的体现权数作用明显、综合程度强、利用数据信息充分，而且是加权平均型；计算比较容易又作用比较好，故这里我们使用的是算子),(⊕?M 。

数学建模综合评价方法(定)

所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面． 从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标． 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标． 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标． * 在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换 评价指标的预处理方法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理． 1．指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异． (1) 极小型指标化为极大型指标 对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数： 1j j x x '= ，

数学建模之模糊评价与模糊聚类()

一、模糊评价 模糊评价法是应用模糊理论和模糊关系合成的原理,通过多个因素对被评 价事物隶属等级状况进行综合性评价的一种方法。运用模糊评价法,通过多因素 或多指标,既对被评价事物的变化区间作出某种划分,又对事物属于各评价等级 的程度作出分析,从而更深入和客观地对被评价事物进行描述。 特点： ①模糊评价法的结果是一个向量,而不是一个数值,即被评价事物的状况是通过被评价事物的等级隶属度来表示。 ②模糊评价法可以是一种多层的评价,即可以先对被评价事物的某一层面进行模糊评价,再将各层面的模糊评价结果进行模糊合成,得出总的模糊评价结果。 ③模糊评价法具有指标或因素的自然可综合性。由于模糊评价法只需确定各指标的等级隶属度,既可用于主观指标,又可用于客观指标,以此而无需专门对指标进行无量纲处理。 1.1模糊评价的应用 ①人事考核中的应用， ②单位员工的年终评定， ③昆山公安信息化建设效绩的评估（下载文档）， ④我国商业银行内部控制评价体系研究（下载文档）， ⑤石化行业业绩评价（下载文档）等。 1.2一级模糊综合评判模型的建立步骤 ①确定因素集及评语集 确定被评价对象的因素集U ，{}12=,, ,n U u u u ，评语集{}12,,,m V v v v =； ②构造模糊关系矩阵R ，进行单因素评判。 用ij r 表示U 中的因素i u 对应于V 中等级j v 的隶属关系，则有 ③确定各因素的权重 用i a 表示第i 个因素的权重，11n i i a ==∑，则评价因素权向量A 为 ()12,,,n A a a a =。 ④综合评判 由模糊关系矩阵R 得到一个模糊变换为 则评判的综合结果为 () 11121212221212,,,m m n n n nm r r r r r r B A R a a a r r r ?? ? ? == ? ??? 。 1.3多层次模糊综合评判模型的建立步骤

数学建模综合评价方法

建模参考资料 综合评价方法 一、关于评价指标 所谓指标就是用来评价系统的参量．例如，在校学生规模、教学质量、师资结构、科研水平等，就可以作为评价高等院校综合水平的主要指标．一般说来，任何—个指标都反映和刻画事物的—个侧面． 从指标值的特征看，指标可以分为定性指标和定量指标．定性指标是用定性的语言作为指标描述值，定量指标是用具体数据作为指标值．例如，旅游景区质量等级有5A 、4A 、3A 、2A 和1A 之分，则旅游景区质量等级是定性指标；而景区年旅客接待量、门票收入等就是定量指标． 从指标值的变化对评价目的的影响来看，可以将指标分为以下四类： (1)极大型指标(又称为效益型指标)是指标值越大越好的指标； (2)极小型指标(又称为成本型指标)是指标值越小越好的指标； (3)居中型指标是指标值既不是越大越好，也不是越小越好，而是适中为最好的指标； (4) 区间型指标是指标值取在某个区间内为最好的指标． 例如，在评价企业的经济效益时，利润作为指标，其值越大，经济效益就越好，这就是效益型指标；而管理费用作为指标，其值越小，经济效益就越好，所以管理费用是成本型指标．再如建筑工程招标中，投标报价既不能太高又不能太低，其值的变化范围一般是(10%,5%)-+×标的价，超过此范围的都将被淘汰，因此投标报价为区间型指标．投标工期既不能太长又不能太短，就是居中型指标． 在实际中，不论按什么方式对指标进行分类，不同类型的指标可以通过相应的数学方法进行相互转换 1 评价指标的处理方法 一般情况下，在综合评价指标中，各指标值可能属于不同类型、不同单位或不同数量级，从而使得各指标之间存在着不可公度性，给综合评价带来了诸多不便．为了尽可能地反映实际情况，消除由于各项指标间的这些差别带来的影响，避免出现不合理的评价结果，就需要对评价指标进行一定的预处理，包括对指标的一致化处理和无量纲化处理． 1．指标的一致化处理 所谓一致化处理就是将评价指标的类型进行统一．一般来说，在评价指标体系中，可能会同时存在极大型指标、极小型指标、居中型指标和区间型指标，它们都具有不同的特点．如产量、利润、成绩等极大型指标是希望取值越大越好；而成本、费用、缺陷等极小型指标则是希望取值越小越好；对于室内温度、空气湿度等居中型指标是既不期望取值太大，也不期望取值太小，而是居中为好．若指标体系中存在不同类型的指标，必须在综合评价之前将评价指标的类型做一致化处理．例如，将各类指标都转化为极大型指标，或极小型指标．一般的做法是将非极大型指标转化为极大型指标．但是，在不同的指标权重确定方法和评价模型中，指标一致化处理也有差异． (1) 极小型指标化为极大型指标 对极小型指标j x ，将其转化为极大型指标时，只需对指标j x 取倒数：

数学建模案例分析---模糊数学方法建模1模糊综合评判及其应用

第八章 模糊数学方法建模 1965年,美国自动控制学家首先提出了用“模糊集合”描述模糊事物的数学模型。它的理论和方法从上个世纪七十年代开始受到重视并得到迅速发展，特别是愈来愈广泛地应用于解决生产实际问题。模糊数学的理论和方法解决了许多经典数学和统计数学难以解决的问题，这里，我们通过几个例子介绍模糊综合评判、模糊模式识别、模糊聚类、模糊控制等最常用方法的应用。而相应的理论和算法这里不作详细介绍，请参阅有关的书籍。 §1 模糊综合评判及其应用 一、模糊综合评判 在我们的日常生活和工作中，无论是产品质量的评级，科技成果的鉴定，还是干部、学生的评优等等，都属于评判的范畴。如果考虑的因素只有一个，评判就很简单，只要给对象一个评价分数，按分数的高低，就可将评判的对象排出优劣的次序。但是一个事物往往具有多种属性，评价事物必须同时考虑各种因素，这就是综合评判问题。所谓综合评判，就是对受到多种因素制约的事物或对象，作出一个总的评价。 综合评判最简单的方法有两种方式： 一种是总分法，设评判对象有m 个因素，我们对每一个因素给出一个评分i s ，计算出评判对象取得的分数总和 ∑== m i i s S 1 按S 的大小给评判对象排出名次。例如体育比赛中五项全能的评判，就是采用这种方法。 另一种是采用加权的方法，根据不同因素的重要程度，赋以一定的权重，令i a 表示对第i 个因素的权重，并规定 ∑==m i i a 1 1，于是用 ∑== m i i i s a S 1 按S 的大小给评判对象排出名次。 以上两种方法所得结果都用一个总分值表示，在处理简单问题时容易做到，而多数情况下评判是难以用一个简单的数值表示的，这时就应该采用模糊综合评判。 由于在很多问题上，我们对事物的评价常常带有模糊性，因此，应用模糊数学的方法进行综合评判将会取得更好的实际效果。 模糊综合评判的数学模型可分为一级模型和多级模型两类，这里仅介绍一级模型。 应用一级模型进行综合评判，一般可归纳为以下几个步骤： （1）建立评判对象的因素集},,,{21n u u u U =。因素就是对象的各种属性或性能，在不同场合，